Viwav2vec2 Base 1.5k

🚀 Wav2Vec2ベースモデル（1500時間のベトナム語音声で学習）

このベースモデルは、1500時間の朗読と放送音声を含むベトナム語音声コーパスから抽出された16kHzサンプリングの音声オーディオで事前学習されています。モデルを使用する際には、入力音声も16kHzでサンプリングされていることを確認してください。このモデルは、ベトナム語の自動音声認識などの下流タスクでファインチューニングする必要があります。

🚀 クイックスタート

このベースモデルは、16kHzでサンプリングされたベトナム語の音声オーディオから事前学習されています。モデルを使用する際には、入力音声も16kHzでサンプリングされていることを確認してください。また、このモデルは下流タスクでファインチューニングする必要があります。

⚠️ 重要提示

このモデルはオーディオのみで事前学習されているため、トークナイザーがありません。音声認識でこのモデルを使用するには、トークナイザーを作成し、ラベル付きのテキストデータでモデルをファインチューニングする必要があります。モデルのファインチューニング方法の詳細については、このブログを参照してください。

💡 使用建议

モデルの使用に際しては、入力音声が16kHzでサンプリングされていることを必ず確認してください。

💻 使用例

基本的な使用法

import torch
from transformers import Wav2Vec2Model

model = Wav2Vec2Model.from_pretrained("dragonSwing/viwav2vec2-base-1.5k")

# Sanity check
inputs = torch.rand([1, 16000])
outputs = model(inputs)

高度な使用法

詳細なファインチューニング方法については、このノートブックを参照してください。

📄 ライセンス

このモデルはCC-BY-SA-4.0ライセンスの下で提供されています。

関連リンク

• FacebookのWav2Vec2ブログ
• 論文